神了，有人已经开始当Codex的星怒了😂 有人真的把自己接进了 Codex 的 Agent Loop。 而且不是接机械臂，也不是接机器人。 是接了一个……会让人身体有反应的小玩具。 作者让 Codex + GPT-5.5 扮演 RPG 里的「触手怪」，iPhone 摄像头实时观察自己的姿势和反应。 模型看一眼画面，判断你现在是什么状态。 然后直接下指令： ESP32-S3 → 蓝牙设备 → 你。 你一动，摄像头又看到了。 模型再根据你…

事件核心：发生了什么

据 X 用户 @MaxForAI 于 2026 年 8 月 23 日发布的推文，有开发者利用 OpenAI 的 Codex 与 GPT-5.5 模型，将 iPhone 摄像头对准自己，并让模型实时分析人体姿态与反应。系统通过 ESP32-S3 芯片和 BLE 协议反向控制一台原本只能用手机 App 操作的蓝牙设备，使其在模型判断后自动改变工作模式。

整个链路的关键在于“异步控制”：设备运行时，Codex 仍持续读取摄像头画面，即 AI 的“决策”与“执行”并非串行等待，而是并行发生。作者将该场景描述为“以自己身体作为环境反馈的具身 Agent”。该系统由一台 iPhone、一个 ESP32 开发板和一个大模型 API 构成，未使用机械臂或机器人本体。

为什么重要

这一实验的意义不在设备本身，而在其展示的大模型实时闭环能力。传统具身智能研究通常依赖专用传感器、运动规划算法和机械硬件，而该项目仅用通用视觉输入加语言模型推理，就完成了一个“感知—决策—控制—反馈”的完整环路，无需为特定动作训练专门模型。它说明现成的多模态大模型配合低成本硬件（如 ESP32）已能承担一定实时控制任务，这降低了具身交互原型开发的门槛。

同时，该案例也暗示 BLE 协议逆向并不复杂，消费级设备的控制接口正在成为大模型可调用的“工具”。对于开发者社区而言，这是一次将语言模型从文本输出延伸到物理动作的极简示范。

对用户/开发者/创作者的影响

对开发者而言，该实验提供了一个可复现的技术路径：用摄像头接入多模态 API，通过串口或蓝牙控制执行器，再用异步回调维持实时性。这种“视觉 + 语言模型 + 低功耗 MCU”的组合，比购买整机机器人更便宜，适合做交互原型验证。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对普通用户而言，目前公开信息显示该设备并非量产产品，只是个人实验，但相关思路可能启发可穿戴设备或智能家居的下一代交互方式——例如系统根据用户表情或姿势自动调节灯光、音乐或按摩强度。创作者也可以利用同类架构制作互动装置，让作品根据观察者的动作实时改变输出。

值得关注的后续

1. 该项目是否公开代码或硬件 BOM，若有开源，会推高 ESP32 + 多模态 API 的控制类项目数量。2. 大模型 API 的响应延迟是否影响闭环稳定性，若 GPT-5.5 的推理速度不足，可能需要本地小模型配合。3. 此类实验涉及身体反馈与自动控制，未来是否面临平台使用条款限制或硬件合规问题，仍需观察。

来源：@MaxForAI